Universidad ICESI: extração automática de metadados com a MetaExtract API sobre a sua própria infraestrutura

Contexto da instituição

A Universidad ICESI é uma universidade privada de Cali, na Colômbia, com trajetória reconhecida em pesquisa e com uma biblioteca que sustenta tanto o ensino quanto a produção acadêmica dos seus centros e grupos. A sua equipe de gestão da informação já operava uma infraestrutura própria consolidada, com sistemas escolhidos e em funcionamento.

O desafio

O problema não era de plataforma, e sim de capacidade. A descrição documental é um trabalho linear: cada documento que entra exige que uma pessoa leia, identifique os elementos descritivos e os transcreva campo a campo. Quando o volume de documentos cresce mais rápido que a equipe, o resultado é previsível: uma fila de material pendente de descrição que nunca diminui, e um custo de oportunidade alto, porque quem transcreve é pessoal com formação em biblioteconomia que poderia estar fazendo controle de autoridades, análise de conteúdo ou apoio a pesquisadores.

A condição da universidade foi clara desde o início: não trocar de sistema, não migrar conteúdos e não alterar os fluxos de trabalho existentes. O que se buscava era uma peça que se inserisse no fluxo atual e tirasse a transcrição do caminho.

O que implementamos

Implementamos a MetaExtract API, o nosso serviço de extração automática de metadados de documentos PDF por meio de inteligência artificial. A API recebe o documento, analisa-o, identifica os elementos descritivos (título, autoria, resumo, palavras-chave, data, tipo documental, idioma e os campos adicionais que a instituição definir) e os devolve estruturados para preencher automaticamente o formulário de descrição.

Por se tratar de um serviço por interface de programação, não exigiu infraestrutura nova nem substituição de sistemas: ele se integra ao que a instituição já tem.

Como fizemos

1. Diagnóstico do esquema de metadados de destino. Foram revisados os campos em uso, quais são obrigatórios, quais vocabulários se aplicam e quais tipos documentais era preciso distinguir.
2. Ajuste da extração. O modelo foi treinado com documentos reais da instituição, para que a saída correspondesse ao seu esquema, e não a um esquema genérico.
3. Integração. A API foi conectada ao fluxo de trabalho, coordenando com a equipe técnica da universidade as credenciais, as cotas de uso e o tratamento de erros.
4. Validação com lote de controle. Um conjunto representativo foi processado e comparado campo a campo com a descrição feita pela equipe antes de liberar o uso geral.
5. Entrada em produção e acompanhamento. Foi definido o procedimento de revisão humana prévio à aprovação de cada registro, e o serviço foi aberto à equipe.

Resultado

O trabalho de descrição passou de transcrever para revisar: o bibliotecário recebe um registro já proposto e aplica o seu critério à normalização de nomes, aos descritores e às decisões de licença, que é onde a sua formação agrega valor. O indicador mais significativo do resultado, e o único que podemos afirmar sem que a universidade publique números, é que o serviço foi renovado em vigências consecutivas: a instituição avaliou a sua continuidade e decidiu mantê-lo.

Tecnologias

MetaExtract API, extração de metadados com modelos de linguagem, integração por API REST, esquemas de metadados Dublin Core e campos locais da instituição.